多传感器融合学习心得.doc

多传感器信息融合学****心得通过一学期的学****对多传感器信息融合有了一定的了解,学****了多传感器信息融合中的多种方法,并在小组论题和作业中都有所体现,下面我谈一下自己的学****心得。一、多传感器信息融合的产生与发展多传感器信息融合是由美国军方在 20世纪 70年代提出的,通过对各传感器获得的未知环境特征信息的分析和综合, 得到对环境全面、正确的估计, 它避免了单一传感器的局限性, 可以获取更多信息, 得出更为准确、可靠的结论。主要用于对军事目标(舰艇、飞机等)的检测、定位、跟踪和识别,具体应用在海洋监视、空对空或地对空防御系统等。二、多传感器信息融合主要方法多传感器信息融合是建立在传统的估计理论和识别算法的基础之上,主要有卡尔曼滤波、贝叶斯理论、 D-S 证据理论和小波变换等,下面我简单介绍一下各种算法。 1)卡尔曼滤波卡尔曼滤波器实际上是一个最优化自回归数据处理算法。首先,我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程来描述: X(k)=A X(k-1)+B U(k)+W(k) 再加上系统的测量值: Z(k)=H X(k)+V(k) 上两式子中, X(k) 是k时刻的系统状态, U(k) 是k 时刻对系统的控制量。 A 和B是系统参数,对于多模型系统,他们为矩阵。 Z(k) 是k时刻的测量值,H是测量系统的参数,对于多测量系统, H 为矩阵。 W(k) 和 V(k) 分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise) , 他们的方差分别是 Q,R(这里我们假设他们不随系统状态变化而变化)。假设现在系统的状态是 k,根据系统模型,可以基于系统上一状态而预测出现在状态: X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1) 式(1) 中, X(k|k-1) 是利用上一状态预测的结果, X(k-1|k-1) 是上一状态最优的结果, U(k) 为现在状态的控制量,如果没有控制量,它可以为 0。到现在为止, 我们的系统结果已经更新了,可是,对应于 X(k|k-1) 的方差还没更新。我们用 P表示方差: P(k|k-1)=A P(k-1|k-1) A’+Q ………(2) 式(2) 中, P(k|k-1) 是 X(k|k-1) 对应的方差, P(k-1|k-1) 是 X(k-1|k-1) 对应的方差, A’表示 A的转置矩阵,Q是系统过程的方差。式子 1,2就是卡尔曼滤波对系统的预测。现在我们有了现在状态的预测结果,然后我们再收集现在状态的测量值。结合预测值和测量值,我们可以得到现在状态(k) 的最优化估算值 X(k|k) : X(k|k)= X(k|k-1)+K k (k) (Z(k)-H X(k|k-1)) ………(3) 其中 K k为卡尔曼增益(Kalman Gain) : K k (k)= P(k|k-1) H’/ (H P(k|k-1) H’+ R)………(4) 到现在为止,我们已经得到了 k状态下最优的估算值 X(k|k) 。但是为了要卡尔曼滤波器不断的运行下去直到系统过程结束,我们还要更新 k 状态下 X(k|k) 的方差: P(k|k)= ( I-K k (k) H) P(k|k-1) ………(5) 其中 I为单位阵。当系统进入 k+1 状态时, P(k|k) 就是式子(